Meta Prometheus : un gigawatt dans l'Ohio, cap sur le million de GPU

Les annonces d'infrastructure IA se ressemblent toutes : un chiffre en milliards, une photo de hangar, zéro détail. Le 19 octobre 2026, l'équipe ingénierie de Meta a fait l'inverse et publié un compte rendu technique de Meta Prometheus, son supercluster de New Albany, dans l'Ohio. Avec les spécifications de racks, les topologies réseau, les taux de panne et les méthodes de lissage de pic électrique.

Pour qui veut comprendre ce que coûte réellement l'entraînement d'un modèle de frontière, c'est le document le plus parlant de l'année.

Un bâtiment web reconverti en machine à entraîner

Prometheus occupe un site de New Albany initialement conçu pour du trafic web classique, converti et étendu. Le cluster mêle désormais bâtiments de data center traditionnels, bâtiments optimisés IA et structures à déploiement rapide — le tout piloté comme une seule machine.

Sa première phase, achevée, a servi à entraîner les modèles fondationnels Muse de Meta, dont la famille Muse Wonder. L'échelle actuelle se compte en centaines de milliers de GPU. L'objectif affiché : environ un million de GPU répartis, fonctionnant de concert.

Trois plateformes matérielles cohabitent ou arrivent :

• Catalina (NVIDIA GB200 NVL72) : 72 GPU Blackwell par domaine, 13,4 To de HBM3e, 720 PFLOPS crête en FP8 pour deux racks, 130 To/s de bande passante NVLink interne, environ 120 kW.
• Clemente (NVIDIA GB300 NVL72) : 72 Blackwell Ultra, 20,7 To de HBM3e soit 50 % de plus, plus d'un exaFLOP de calcul crête en FP4, environ 135 kW par rack.
• San Miguel (NVIDIA Vera Rubin NVL72), à venir : 288 Go de HBM4 par GPU, 2,52 EFLOPS crête en FP4 par rack, 216 To/s de NVLink, plus de 170 kW par rack entièrement refroidi au liquide.

170 kW dans un rack. Un pavillon français consomme de l'ordre de 1 à 2 kW en pointe. Un seul rack Vera Rubin, c'est un quartier.

Le vrai problème n'est pas la puissance, c'est le réseau

Faire tourner 20 000 GPU ensemble dans un bâtiment est un problème résolu. Les faire travailler à l'unisson sur plusieurs bâtiments distants de dizaines de kilomètres, beaucoup moins.

Meta décrit deux étages :

• des fabrics de bâtiment supportant jusqu'à 20 736 GPU chacune, en deux variantes — Disaggregated Scheduled Fabric et Non-Scheduled Fabric — construites sur la pile réseau maison FBOSS ;
• un réseau d'agrégation dorsal, le BAG, en étoile multicouche, couvrant de 2 km à plus de 100 km, bâti sur des châssis Arista 7800 à silicium Broadcom Jericho3, et délivrant plusieurs Pbps entre régions.

L'inventaire donne le vertige : des millions de miles de brins de fibre, des dizaines de milliers de commutateurs, des millions d'optiques. L'optique est d'ailleurs le composant qui tombe en panne le plus souvent dans ce genre d'installation, et c'est précisément là que se joue la partie suivante.

99 % d'interruptions en moins

La métrique la plus intéressante du document n'est pas un FLOPS. C'est le goodput : la fraction du temps machine réellement utile à l'entraînement, pannes et redémarrages déduits.

• Plus de 85 % de goodput sur les phases de pré-entraînement.
• Plus de 90 % sur les phases d'apprentissage par renforcement.
• Temps moyen entre interruptions passé d'environ 47 000 à plus de 54 000 GPU-heures.
• Au pire moment, mi-2025, près de 1 000 incidents par jour pour 8 000 GPU. Depuis : une réduction de 99 % des interruptions, avec une cible à deux interruptions par jour pour 8 000 GPU.

Passer de mille à deux, c'est la différence entre un entraînement qui n'aboutit jamais et un entraînement qui tient des semaines. Les recettes employées :

• du sparing intra-rack : sur un NVL72, 64 GPU actifs et 8 GPU de réserve, prêts à prendre la place d'un défaillant sans redémarrer le job ;
• environ 2 % de racks gardés en réserve pour les pannes de rack entier ;
• la PAFT, tolérance aux pannes consciente du schéma de parallélisme, qui isole la réplique défaillante au lieu de tout arrêter.

Le courant, l'autre contrainte

Un entraînement à grande échelle n'a pas une consommation plate. Quand des dizaines de milliers de GPU attaquent et relâchent une phase de calcul en synchronie, la demande électrique oscille violemment. Ce n'est pas un détail pour l'exploitant du réseau régional.

Meta décrit une pile de parades :

• Dynamo Dimmer, un cadre de gestion d'énergie à l'échelle du cluster, capable de plafonner intelligemment la puissance ;
• des modules de batteries en rack pour absorber les pics immédiats ;
• des bacs de condensateurs pour lisser ;
• des systèmes de stockage par batteries à l'échelle de l'installation.

Côté thermique, trois approches cohabitent : refroidissement liquide assisté par air pour les déploiements souples, refroidissement liquide d'installation dans les bâtiments pensés pour l'IA, et boucle fermée pour le meilleur rendement.

Hyperion, et la question qui fâche

Prometheus n'est qu'une étape. Hyperion, à Richland Parish en Louisiane, est en construction, doit commencer à monter en charge en 2028 et viser 5 gigawatts à terme, en boucle fermée et en connexion réseau complète avec l'électricien Entergy.

Cinq gigawatts, c'est l'ordre de grandeur de plusieurs réacteurs nucléaires. Pour une seule entreprise, pour entraîner des modèles. La question de l'empreinte énergétique et de l'eau de refroidissement ne se règle pas avec un billet de blog technique, aussi détaillé soit-il, et elle commence à peser localement sur les débats d'implantation aux États-Unis.

Second point en suspens : la rentabilité. Dépenser l'équivalent d'une centrale pour entraîner une génération de modèles n'a de sens que si la suivante justifie encore l'investissement. Plusieurs institutions financières ont commencé à classer les data centers IA parmi les actifs à surveiller. Meta, elle, construit déjà le suivant.

Pour ceux qui produisent du contenu, du code ou du service avec ces modèles, le calcul est plus simple : les capacités arrivent, le coût au token baisse, et l'écart se creuse entre ceux qui les ont intégrées dans leur chaîne de production et les autres.